MESIO UPC-UB assignatura (català) MESIO UPC-UB assignatura (castellà) Assignatura MESIO UPC-UB (anglès). El primer és per a estudiants amb poca o poca experiència en R, el segon per a estudiants que han treballat amb R abans, com ara estudiants amb una titulació en estadística.
Introducció a R
Objectes d'R
Anàlisi descriptiva i exploratori amb R
Programació bàsica amb R
Estadística inferencial amb R: contrastos d'hipòtesis i models de regressió
Programació lineal amb R
Introducció a SAS
Procediments bàsics de SAS
Transformació i manipulació de dades
Introducció al llenguatge matricial amb el SAS
SAS/IML
Procediments avançats
Introducció a la programació lineal amb SAS
Al final d'aquest mòdul, els estudiants haurien de ser capaços de treballar amb fluïdesa amb un sistema de bases de dades relacionals client/servidor com PostgreSQL. En el segon mòdul es desenvolupen aspectes de programació web, que d'una banda es relacionen amb les bases de dades que es van processar en el primer mòdul, i d'altra banda amb l'ús del llenguatge R.
Introducció a bases de dades relacionals
SQL i algebra relacional
Transaccions
Planes web dinàmiques
Llenguatges per aplicacions web
Habilitats informacionals
Escriptura d'informes
Presentació oral de resultats
Funcions Generadores i Funció Característica
Processos de Ramificació
La Llei Gaussiana Multidimensional
Successions de Variables Aleatòries
Passeigs Aleatoris
Cadenes de Markov
La inferència estadística avançada és obligatòria per a tots els estudiants graduats en Estadística o Matemàtiques (itinerari 1) i Fonaments d'inferència estadística és obligatòria per a tots els estudiants de la resta de graus (itinerari 2). Els estudiants de l'itinerari d'aprenentatge 2 poden triar el curs d'inferència estadística avançada com a assignatura optativa després de Fonaments d'inferència estadística.
Introducció
Estimació puntual 1: Mètodes per trobar estimadors
Estimació puntual 2: Avaluació d'estimadors
Proves d'hipòtesis
Cada tema s'avalua mitjançant una presentació individual de problemes i un exercici amb R (PRA) i un qüestionari (Q) discutits en grups reduïts durant la classe.
Regions de confiança
S'assumeix un coneixement per part de l'estudiant dels conceptes bàsics de la teoria de la probabilitat. Conèixer els tipus bàsics de mostreig i distribucions de mostreig en les situacions més habituals i derivar les distribucions més habituals derivades de la llei normal i el seu ús en inferència estadística.
Introducció a la inferència
Mostratge
Estimació de paràmetres
Intervals de confiança
Comprendre la metodologia general de prova d'hipòtesis, incloent possibles errors i la importància de la mida.
El model lineal general Dedicació: 9h Grup gran: 9h
El model d'anàlisi de la variancia Dedicació: 10h 30m Grup gran: 10h 30m
DEL CARME RUIZ DE VILLA JUBANY - A, AResponsable:JAN GRAFFELMAN
Pràctiques: Això implica l'ús de capacitats de programació matricial per realitzar anàlisis multivariants mitjançant conjunts de dades multivariants. Treball: Els estudiants han d'utilitzar els mètodes de l'assignatura per analitzar una base de dades i fer una exposició oral dels resultats per a tot el grup.
Estadística Descriptiva Multivariant
Inferència Estadística Multivariant
La ponderació de les diferents parts de l'avaluació és la següent: examen parcial (30%), examen final (30% si només la segona part, 60% si inclou la primera part), pràctiques i problemes de laboratori (20%), treball (20%). Els alumnes que hagin superat el primer examen no hauran de presentar l'assignatura de la primera part a l'examen final.
Classificació i obtenció de grups Dedicació: 32h Grup gran: 7h 30m
El treball individual de l'alumnat matriculat inclou almenys la resolució de tasques, la recerca i anàlisi de documentació addicional, i la lectura i interpretació de textos matemàtics. Tot el treball personal està subjecte a retroalimentació en forma de debat amb el professor.
Combinatòria
Àlgebra lineal
Nocions mètriques
El concepte de funció
El concepte de límit
Les sumes amb infinits sumands
Capacitat per dominar la terminologia específica d'una àrea en la qual és necessària l'aplicació de models i mètodes estadístics o la investigació operativa per resoldre problemes del món real. Capacitat per seleccionar el mètode i/o tècnica d'investigació estadística o operativa més adequat per aplicar aquest model a cada situació o problema concret.
Tema 1. Introducció a la simulació
Tema 2. Input Data Analysis
Tema 3. Generació de mostres
Tema 4. Introducció a la simulació de sistemes discrets
2 treballs pràctics, un de simulació de Montecarlo en Estadística i l'altre de simulació de sistemes.
Tema 5. Anàlisi i disseny d'experiments de simulació
L'anàlisi de supervivència s'utilitza en molts camps per analitzar dades que representen el període de temps entre dos. També es coneix com a anàlisi de l'historial d'esdeveniments, anàlisi de dades de vida útil, anàlisi de fiabilitat i anàlisi del temps fins a l'esdeveniment.
Conceptes bàsics i models paramètrics
Tipus de censura i truncament
Inferència no paramètrica per a una mostra
Comparació de dues poblacions
Regressió paramètrica
Regressió semiparamètrica: El Model de Cox
Anàlisi de supervivència per a temps discrets
PILAR MUÑOZ GRACIA - A
L'objectiu de l'assignatura és que l'estudiant conegui més sobre la sistemàtica i l'anàlisi de sèries en temps real univariants i multivariants, quan hi ha variables aleatòries que no són independents entre si. El professor, utilitzant l'ordinador, mostra exemples pràctics de resolució de problemes de sèries temporals (tots els fitxers que utilitza el professor són públics a la xarxa FME).
Anàlisi i modelització de sèries temporals
Dades atípiques, efectes calendari i anàlisi d'intervenció
Aplicacions a l'econometria: arrels unitàries i cointegració
Espai d'estat, filtre de Kalman i aplicacions
Models estructurals en espai d'estat
Introducció als models amb volatilitat
Having some basic knowledge of applied and generalized linear models at the level of the 2005 book "Applied Linear Regression" by Sanford Weisberg will help to get the most out of the last third of the course. Knowledge of the difference between Bayesian and non-Bayesian statistical modeling, and of the role of the likelihood function.
Bayesian Model
CAT) 2- Bayesian Inference
CAT) 3- Hierarchical Models
CAT) 4. Model checking and selection
Students will have to submit several assignments and work on a final assignment, which will be graded and will count for 45% of the final grade. The midterm and final exam will be closed book, but you may need to bring a calculator.
CAT) 5- Bayesian computation
CAT) 6- Aplications
Les habilitats prèvies desitjables són les derivades de la formació en estadística i probabilitat matemàtica que acostumen a oferir els estudis de grau. Les dades longitudinals, en combinar informació sobre variabilitat interunitat i evolució i variació intraunitat, representen, per la seva freqüència i rellevància, un repte tant per als professionals de l'estadística com per al desenvolupament teòric.
Model Lineal (LM) i Model Lineal Generalitzat (GLM)
Model Lineal Mixt amb Efectes Aleatoris (LMM)
Equacions Generalitzades d'Estimació (GEE)
Model Lineal Mixt Generalitzat (GLMM)
En aquesta primera part de l'examen, l'estudiant NO pot disposar del material del curs; només articles de màquina d'escriure i calculadora. En aquesta segona part de l'examen, l'estudiant té accés a tot el material de l'assignatura (en paper i/o digital).
Introducció a l'anàlisi amb Valors No Observats (Missing Data Analysis)
Una part de la nota prové de la pràctica realitzada durant el curs (50%) - L'examen final constarà d'una part teòrica (25%) i una part d'anàlisi de dades (25%) Sistema de qualificació. També a les sessions teòriques, durant el curs es tractaran entre quatre i cinc articles de recerca, amb els quals els estudiants han d'haver treballat prèviament.
Distribucions discretes clàsiques: gènesi i propietats principals
Tres problemes reals: impossibilitat d'observar el zero, zero-inflaxió i sobredispersió
Models amb covariants: regressió logística i models log-lineals
Taules de contingència
Comprendre els fonaments bàsics del mètode bootstrap i saber com aplicar-lo per resoldre diversos problemes estadístics. L'entorn bàsic de treball de les sessions pràctiques serà R, del qual s'assumeixen coneixements mitjans (ús de l'entorn i programació bàsica).
Tema 1. Metodologia bootstrap
Tema 2. Tests de permutacions i d'aleatorització
Per ser avaluats, els estudiants hauran d'assistir com a mínim al 80% de les classes.
Tema 3. Algorismes deterministes en estadística
Tema 4. Anàlisi de dades funcionals
Conèixer els resultats de la teoria de la dualitat i les seves implicacions en el cas de la programació discreta. Explorar les propietats de la dualitat i les característiques inherents a l'estructura del model matemàtic per a la resolució de problemes discrets.
Problemes d'optimització combinatòria
Mètodes de plans de tall
Característiques dels models de programació sencera
Mètodes enumeratius
Relaxació lagrangiana en programació entera
La qualificació final de la licitació especial es calcula de manera similar a la de la licitació ordinària. La puntuació de pràctica de trucada normal es desa si no és inferior a 7.
El problema de la motxilla
Teoria: un examen parcial que allibera material per a l'examen final a partir de 5 i un examen final. Per aprovar l'assignatura cal tenir un mínim de 4 tant en teoria com en pràctica.
El problema del viatjant de comerç
Conèixer alguns dels problemes més importants d'optimització contínua en l'àmbit de l'estadística i la investigació operativa i poder resoldre'ls amb l'algorisme d'optimització més eficaç. Ser capaç de formular i resoldre numèricament exemples reals de problemes d'optimització contínua en estadístiques i investigació d'operacions mitjançant programari d'optimització professional.
Modelització i resolució computacional de problemes d'optimització matemàtica
Optimització sense constriccions
Optimització amb constriccions
L'objectiu de l'assignatura és introduir a l'estudiant els problemes de modelització de sistemes en presència d'incertesa, i familiaritzar-lo amb les tècniques i algorismes per tractar-los. Proporciona les bases per a la modelització i la programació estocàstica i es pretén que al final del curs l'estudiant sigui capaç d'identificar, modelar, formular i resoldre problemes de presa de decisions que involucren variables tant deterministes com aleatòries.
Modelització Estocastica
Propietats bàsiques
Mètodes de resolució
Implementar mètodes de descomposició mitjançant llenguatges de programació matemàtica algebraica per a diversos models per resoldre'ls. Implementar versions senzilles de mètodes de punt interior amb llenguatges d'alt nivell (matlab), i conèixer les eines d'àlgebra lineal necessàries.
Dualitat
Mètodes de descomposició
Mètodes de punt interior
- Models multivariants de gestió de riscos
- Mesures de dependència i còpules
- Mesures de risc
- Teoria del valor extrem Dedicació: 9h Grup gran: 9h
TREBALL EN EQUIP: Capacitat de treballar com a membre d'un equip interdisciplinari, ja sigui com a membre més o realitzant tasques de gestió, per contribuir al desenvolupament de projectes amb pragmatisme i sentit de la responsabilitat, tot assumint compromisos tenint en compte els recursos disponibles. Els conceptes relacionats amb la prova d'hipòtesis i la significació estadística seran útils, així com una bona comprensió de l'anàlisi de la variància.
CAT) Tema 1: Anàlisi estructural de dades d'enquesta
CAT) Tema 2: Preguntes obertes i comentaris lliures: una eina per conèixer les preferències del
CAT) Tema 3: Disseny de nous productes. Anàlisi conjunt (Conjoint analysis)
CAT) Tema 4: Avaluació sensorial de productes
Planificació d'experiències i anàlisi de dades
CAT) Tema 5: Mètodes holístics per a la comparació de productes
CAT) Tema 6 Preparació i realització de sessions de cata
L'objectiu bàsic és situar l'aplicabilitat de les tècniques estadístiques que l'estudiant ja coneix en un context professional i destacar els avantatges que pot aportar el seu ús. Convèncer els responsables (vendedor) dels avantatges i beneficis d'utilitzar la tècnica estadística en qüestió Objectius d'aprenentatge de l'assignatura.
Estadística pro activa
L'estadística en altres àrees: gestió de clients, serveis financers, gestió de processos
La venta de l'estadística: interna i externa
RESOLUCIÓ D'EXERCICIS I PROBLEMES
PRESENTACIONS
RESOLUCIÓ DE CASOS PRÀCTICS
Tindrà dos components: un 50% de casos, presentacions i activitats desenvolupades durant el curs i un altre 50% de proves realitzades a classe. L'avaluació es basarà en la resolució de qüestionaris sobre els casos, en la discussió a classe i finalment en la presentació d'informes.
EXAMEN FINAL
L'estudiant ha d'estar familiaritzat amb els conceptes de prova d'hipòtesis, significació estadística i anàlisi de la variància. Presentar anàlisi de problemes del món real en la fabricació, la logística, la millora de processos o el dimensionament i l'ajustament del servei.
Introducció
Descripció d'exemples
Paradigmes
Disseny dels experiments
Verificació, validació i acreditació
Sistemes de simulació
Nous paradigmes
Nous components
Casos pràctics
Entorn institucional i legal de l'estadística oficial
Processos de la producció d'informació estadística
A aquests efectes, a l'inici del curs es proposarà una llista de possibles temes que s'haurà de lliurar a mitjan curs. Si la nota mitjana d'aquestes activitats no supera els 5 punts sobre un màxim de 10, l'estudiant haurà de fer una prova de coneixements unificats.
Fonts i sistemes d'indicadors socials Dedicació: 41h 40m Grup gran: 10h
Els estudiants han de familiaritzar-se amb els conceptes de prova d'hipòtesis i significació estadística en el marc de models lineals. A les classes magistrals s'exposarà als estudiants el contingut teòric de la lliçó, complementat amb exercicis pràctics.
INTRODUCCIÓ
MODELS ECONOMÈTRICS PER SÈRIES TEMPORALS. ARRELS UNITÀRIES
MODELS ECONOMÈTRICS PER A DADES DE PANEL
MODELS ECONOMÈTRICS PER A VARIABLE DEPENDENT LIMITADA
MODELS ECONOMÈTRICS PER A DADES ESPACIALS
- Estructura temporal de tipus de interès
- Processos vectorials autoregressius
- Inmunització financera
Conèixer els diferents mètodes d'estimació de l'Estructura Temporal dels tipus d'interès - Conèixer les teories explicatives de l'Estructura Temporal dels tipus d'interès. Reducció de la dimensió dels problemes financers mitjançant l'anàlisi de components principals - Anàlisi crítica d'articles de recerca en l'àmbit financer.
CAT) 6. Análisis de series financieras
CAT) 7. Modelos de volatilidad univariantes
CAT) 8 Modelos de volatilidad multivariantes
La capacitat de dissenyar i resoldre problemes reals de presa de decisions en diversos camps d'aplicació, el coneixement de com triar el mètode estadístic i l'algorisme d'optimització més adequat per a cada ocasió. Capacitat d'utilitzar el programari més adequat per realitzar els càlculs necessaris per resoldre el problema.
A1: Anàlisi de dissenys paralels
A2: Anàlisi de dissnys paralels amb valors incials
A3: Anàlisi de dissenys amb intercanvi
A4: Disseny, protocol i plà d'anàlisi estadístic
A5: Directrius pee registre i publicació
B1: Ètica i multiplicitat
B2: Equivalència. Dissenys pragmàtics
B3: base de la grandària mostral
B4: Aleatorització
B5: Assignació a l'atzar de grups
B6: Revisions sitemáticas i meta-anàlisi
L'assignatura Anàlisi de supervivència avançada prepara l'estudiant per abordar situacions en què les dades presenten patrons de censura complexos, on hi ha seguiments longitudinals, on les covariables varien al llarg del temps, així com l'anàlisi conjunta de dos o més esdeveniments An. Els fonaments teòrics de l'anàlisi de . la supervivència s'ensenyen a partir de la teoria dels processos de recompte.
B1: Extensions del model de Cox
B2: Anàlisi multivariat de la supervivència
B3: Censura en un interval
B4: Processos comptadors
- Introducció a la Bioinformàtica
- Conceptes bàsics de Biologia Molecular
- Bases de dades biològiques: Conceptes, Tipus i Aplicacions
- Alineament de seqüències
- Models probabilístics de seqüències biològiques
- Predicció de gens i anotació de genomes
- Genòmica funcional i de sistemes
Comprendre el problema de predicció gènica i les dificultats (splicing alternatiu, gens no codificants, etc.) que comporta la seva solució completa. Hauríeu d'estar familiaritzat amb els conceptes de prova d'hipòtesis i significació estadística, anàlisi de variància i les tècniques bàsiques d'anàlisi multivariant: anàlisi de components principals i anàlisi de clústers.
